- Код статьи
- 10.31857/S0016794022600612-1
- DOI
- 10.31857/S0016794022600612
- Тип публикации
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том 63 / Номер выпуска 2
- Страницы
- 247-256
- Аннотация
- Анализируется возможность прогнозирования функции временнóй зависимости числа солнечных пятен (SSN) в цикле солнечной активности на основе применения платформы искусственной нейронной сети Элмана к историческому ряду данных наблюдений. Предложен метод нормализации исходных данных для предварительного обучения алгоритма ИНС, в котором строится последовательность виртуальных идеализированных циклов, используя масштабируемые коэффициенты по длительности и значения максимумов в солнечных циклах. Корректность метода анализируется в численном эксперименте, основанном на моделировании временнóго ряда солнечных пятен. Оценены интервалы изменения адаптируемых параметров в работе ИНС и предложен математический критерий для выбора решения. Характерным свойством построенной функциональной зависимости в цикле числа солнечных пятен является значительная асимметрия ее восходящей и спадающей ветвей. Представлен прогноз временнóго хода на текущий 25-й цикл солнечной активности и обсуждается его корректность в сравнении с другими результатами прогнозирования и имеющимися данными обсерваторских наблюдений.
- Ключевые слова
- Дата публикации
- 01.03.2023
- Год выхода
- 2023
- Всего подписок
- 0
- Всего просмотров
- 44
Библиография
- 1. – Бархатов Н.А., Королёв А.В., Пономарев С.М., Сахаров С.Ю. Долгосрочное прогнозирование индексов солнечной активности методом искусственных нейронных сетей // Изв. Вузов. Радиофизика. Т. XLIV. № 9. С. 806–814. 2001.
- 2. – Головко В.А. Нейронные сети: обучение, организация и применение // Минск: ИПРЖР. 255 с. 2001.
- 3. – Головко В.А., Краснопрошин В.В. Нейросетевые технологии обработки данных // Минск: БГУ. 263 с. 2017.
- 4. – Крашенинников И.В., Чумаков С.О. Метод ИНС в задаче долгосрочного прогнозирования индексов солнечной активности // Физика плазмы в солнечной системе. 16-я ежегодная конференция. М.: ИКИ РАН. С. 264. 2021.
- 5. – Benson B., Pan W.D., Prasad A., Gary G.A., Hu Q. Forecasting Solar Cycle 25 Using Deep Neural Networks // Sol. Phys. V. 295(65). 2020. https://doi.org/10.1007/s11207-020-01634-y
- 6. – Bothmer V., Daglis I.A. Space weather: physics and effects. Springer, Dordrecht. 476 p. 2007.
- 7. – Elman J.L. Finding structure in time // Cogn. Sci. V. 14. P. 179–211. 1990. https://doi.org/10.1207/s15516709cog1402_1
- 8. – Fessant F., Bengio S., Collobert D. On the prediction of solar activity using different neural network models // Ann. Geophys. V. 14(1). P. 20–26. 1996.
- 9. – Hathaway D.H., Wilson R.M., Reichmann E.J. The shape of the sunspot cycle // Sol. Phys. V. 151. P. 177–190. 1994. https://doi.org/10.1007/BF00654090
- 10. – Hathaway D.H., Wilson R.M. Geomagnetic activity indicates large amplitude for sunspot cycle 24 // Geophys. Res. Lett. 33(L18101). 2006. https://doi.org/10.1029/2006GL027053
- 11. – Hathaway D.H. The Solar Cycle. // Living Rev. Sol. Phys. 2015. 12:4. https://doi/org/https://doi.org/10.1007/lrsp-2015-4
- 12. – Macpherson K. Neural network computation techniques applied to solar activity prediction // Adv. Space Res. V. 13. № 9. P. 375–450. 1993. https://doi.org/10.1016/0273-1177 (93)90518-G
- 13. – Nandy D., Martens P.C.H., Obridko V., Dash S., Georgieva K. Solar evolution and extrema: current state of understanding of long-term solar variability and its planetary impacts // Space Sci. Rev. V. 217. № 3. 2021. https://doi.org/10.1007/s11214-021-00799-7
- 14. – Bondar T.N., Rotanova N.M., Obridko V.N. Stochastic autoregression modeling and forecasting of the Wolf-number time series // Astron. Rep. V. 39. P. 115–122. 1995.
- 15. – Pala Z., Atici R. Forecasting Sunspot Time Series Using Deep Learning Methods // Sol. Phys. V. 294(50). 2019. https://doi.org/10.1007/s11207-019-1434-62019
- 16. – Pesnell W.D. Solar cycle predictions (invited review) // Sol. Phys. V. 281. № 1. P. 507–532. 2012. https://doi.org/10.1007/s11207-012-9997-5
- 17. – Podladchikova T., Van der Linden, Kalman R.A Filter Technique for Improving Medium-Term Predictions of the Sunspot Number // Sol. Phys. V. 277. P. 397–416. 2012. https://doi.org/10.1007/s11207-011-9899-y
- 18. – Sarp V., Kilcik A., Yurchyshyn V., Rozelot J.P., Ozguc A. Prediction of solar cycle 25: a non-linear approach // MNRA-S. V. 481. P. 2981–2985. 2018. https://doi.org/10.1093/mnras/sty2470
- 19. – Sello S. Solar cycle forecasting: a nonlinear dynamics approach // A & A. V. 377. P. 312–320. 2001.
- 20. – Thompson R.J. A Technique for Predicting the Amplitude of the Solar Cycle // Sol. Phys. V. 148. №. 2. P. 383–388. 1993.
- 21. – Wang Y.M., Sheeley N.R. Understanding the geomagnetic precursor of the solar cycle // Astrophys. J. V. 694. P. L11–L15. 2009.
- 22. – Willamo T., Hackman T., Lehtinen J.J. et al. Shapes of stellar activity cycles // A & A. V. 638. A69. 2020. https://doi.org/10.1051/0004-6361/202037666
